La rétro-synthèse est l'un des problèmes fondamentaux de la chimie organique. La tâche consiste à identifier les réactifs qui peuvent être utilisés pour synthétiser une molécule produit spécifiée. Récemment, la rétro-synthèse assistée par ordinateur suscite un regain d'intérêt dans les communautés de la chimie et de l'informatique. La plupart des approches actuelles reposent sur des modèles basés sur des modèles, qui définissent des règles de correspondance de sous-graphes, mais la possibilité qu'une réaction chimique se déroule n'est pas dictée par des règles de décision rigides. Dans cette étude, nous proposons une nouvelle approche à cette tâche en utilisant le Réseau Logique Graphique Conditionnel (Conditional Graph Logic Network), un modèle graphique conditionnel basé sur les réseaux neuronaux graphiques qui apprend quand les règles issues des modèles de réactions doivent être appliquées, en considérant implicitement si la réaction résultante serait à la fois chimiquement réalisable et stratégique. Nous proposons également un échantillonnage hiérarchique efficace pour alléger le coût computationnel. Notre modèle atteint une amélioration significative de 8,1 % par rapport aux méthodes actuelles les plus avancées sur l'ensemble de données de référence, tout en offrant des interprétations pour les prédictions.